Oozie简介

2023-08-06 13:09:34

在Hadoop中执行的任务有时候需要把多个Map/Reduce作业连接到一起，这样才能够达到目的。[1]在Hadoop生态圈中，有一种相对比较新的组件叫做Oozie[2]，它让我们可以把多个Map/Reduce作业组合到一个逻辑工作单元中，从而完成更大型的任务。本文中，我们会向你介绍Oozie以及使用它的一些方式。

什么是Oozie？

Oozie是一种Java Web应用程序，它运行在Java servlet容器——即Tomcat——中，并使用数据库来存储以下内容：

工作流定义
当前运行的工作流实例，包括实例的状态和变量

Oozie工作流是放置在控制依赖DAG（有向无环图 Direct Acyclic Graph）中的一组动作（例如，Hadoop的Map/Reduce作业、Pig作业等），其中指定了动作执行的顺序。我们会使用hPDL（一种XML流程定义语言）来描述这个图。

安装Oozie

我们可以把Oozie安装在现存的Hadoop系统中，安装方式包括tarball、RPM和Debian包等。我们的Hadoop部署是Cloudera的CDH3，其中已经包含了Oozie。因此，我们只是使用yum把它拉下来，然后在edge节点[1]上执行安装操作。在Oozie的发布包中有两个组件——Oozie-client和Oozie-server。根据簇集的规模，你可以让这两个组件安装在同一台edge服务器上，也可能安装在不同的计算机上。Oozie服务器中包含了用于触发和控制作业的组件，而客户端中包含了让用户可以触发Oozie操作并与Oozie服务器通信的组件。

想要了解更多关于安装过程的信息，请使用Cloudera发布包，并访问Cloudera站点[2]。

注：除了包括安装过程的内容之外，它还建议把下面的shell变量OOZIE_URL根据需要添加到.login、.kshrc或者shell的启动文件中：

(export OOZIE_URL=http://localhost:11000/oozie)

简单示例

为了向你展示Oozie的使用方法，让我们创建一个简单的示例。我们拥有两个Map/Reduce作业[3]——一个会获取最初的数据，另一个会合并指定类型的数据。实际的获取操作需要执行最初的获取操作，然后把两种类型的数据——Lidar和Multicam——合并。为了让这个过程自动化，我们需要创建一个简单的Oozie工作流（代码1）。

<!--

Copyright (c) 2011 NAVTEQ! Inc. All rights reserved.

NGMB IPS ingestor Oozie Script

-->

<workflow-app xmlns='uri:oozie:workflow:0.1' name='NGMB-IPS-ingestion'>

    <start to='ingestor'/>

    <action name='ingestor'>

        <java>

            <job-tracker>${jobTracker}</job-tracker>

            <name-node>${nameNode}</name-node>

            <configuration>

                <property>

                    <name>mapred.job.queue.name</name>

                    <value>default</value>

                </property>

            </configuration>

            <main-class>com.navteq.assetmgmt.MapReduce.ips.IPSLoader</main-class>

            <java-opts>-Xmx2048m</java-opts>

            <arg>${driveID}</arg>

        </java>

        <ok to="merging"/>

        <error to="fail"/>

    </action>

    <fork name="merging">

        <path start="mergeLidar"/>

        <path start="mergeSignage"/>

    </fork>

    <action name='mergeLidar'>

        <java>

            <job-tracker>${jobTracker}</job-tracker>

            <name-node>${nameNode}</name-node>

            <configuration>

                <property>

                    <name>mapred.job.queue.name</name>

                    <value>default</value>

                </property>

            </configuration>

            <main-class>com.navteq.assetmgmt.hdfs.merge.MergerLoader</main-class>

            <java-opts>-Xmx2048m</java-opts>

            <arg>-drive</arg>

            <arg>${driveID}</arg>

            <arg>-type</arg>

            <arg>Lidar</arg>

            <arg>-chunk</arg>

            <arg>${lidarChunk}</arg>

        </java>

    <ok to="completed"/>

    <error to="fail"/>

    </action>

    <action name='mergeSignage'>

        <java>

            <job-tracker>${jobTracker}</job-tracker>

            <name-node>${nameNode}</name-node>

            <configuration>

                <property>

                    <name>mapred.job.queue.name</name>

                    <value>default</value>

                </property>

            </configuration>

            <main-class>com.navteq.assetmgmt.hdfs.merge.MergerLoader</main-class>

            <java-opts>-Xmx2048m</java-opts>

            <arg>-drive</arg>

            <arg>${driveID}</arg>

            <arg>-type</arg>

            <arg>MultiCam</arg>

            <arg>-chunk</arg>

            <arg>${signageChunk}</arg>

        </java>

        <ok to="completed"/>

        <error to="fail"/>

    </action>

    <join name="completed" to="end"/>

    <kill name="fail">

        <message>Java failed, error message[${wf:errorMessage(wf:lastErrorNode())}]</message>

    </kill>

    <end name='end'/>

</workflow-app>

代码1：简单的Oozie工作流

这个工作流定义了三个动作：ingestor、mergeLidar和mergeSignage。并把每个动作都实现为Map/Reduce[4]作业。这个工作流从start节点开始，然后把控制权交给Ingestor动作。一旦ingestor步骤完成，就会触发fork控制节点 [4]，它会并行地开始执行mergeLidar和mergeSignage[5]。这两个动作完成之后，就会触发join控制节点[6]。join节点成功完成之后，控制权就会传递给end节点，它会结束这个过程。

创建工作流之后，我们需要正确地对其进行部署。典型的Oozie部署是一个HDFS目录，其中包含workflow.xml（代码1）、config-default.xml和lib子目录，其中包含有工作流操作所要使用的类的jar文件。

（点击可以查看大图）

图1： Oozie部署

config-default.xml文件是可选的，通常其中会包含对于所有工作流实例通用的工作流参数。代码2中显示的是config-default.xml的简单示例。

<configuration>

    <property>

        <name>jobTracker</name>

        <value>sachicn003:2010</value>

    </property>

    <property>

        <name>nameNode</name>

        <value>hdfs://sachicn001:8020</value>

    </property>

    <property>

        <name>queueName</name>

        <value>default</value>

    </property>

</configuration>

代码2： Config-default.xml

完成了工作流的部署之后，我们可以使用Oozie提供的命令行工具[5]，它可以用于提交、启动和操作工作流。这个工具一般会运行在Hadoop簇集[7]的edge节点上，并需要一个作业属性文件（参见配置工作流属性），见代码3。

oozie.wf.application.path=hdfs://sachicn001:8020/user/blublins/workflows/IPSIngestion

jobTracker=sachicn003:2010

nameNode=hdfs://sachicn001:8020

代码3：作业属性文件

有了作业属性，我们就可以使用代码4中的命令来运行Oozie工作流。

oozie job –oozie http://sachidn002.hq.navteq.com:11000/oozie/ -D driveID=729-pp00002-2011-02-08-09-59-34 -D lidarChunk=4 -D signageChunk=20 -config job.properties –run

列表4：运行工作流命令

配置工作流属性

在config-default.xml、作业属性文件和作业参数中有一些重叠，它们可以作为命令行调用的一部分传递给Oozie。尽管文档中没有清晰地指出何时使用哪个，但总体上的建议如下：

使用config-default.xml定义对于指定工作流从未改变过的参数。
对于给定的工作流部署通用的参数，建议使用作业属性。
对于指定的工作流调用特定的参数使用命令行参数。

Oozie处理这三种参数的方式如下：

使用所有命令行调用的参数
如果那里有任何无法解析的参数，那么就是用作业配置来解析
一旦所有其它方式都无法处理，那么就试着使用config-default.xm。

我们可以使用Oozie控制台（图2）来观察工作流执行的进程和结果。

（点击可以查看大图）

图2： Oozie控制台

我们还可以使用Oozie控制台来获得操作执行的细节，比方说作业的日志[8]（图3）。

（点击可以查看大图）

图3： Oozie控制台——作业日志

编程方式的工作流调用

尽管上面所述的命令行界面能够很好地用于手动调用Oozie，但有时使用编程的方式调用Oozie更具有优势。当Oozie工作流是特定的应用程序或者大型企业过程的一部分，这就会很有用。我们可以使用Oozie Web Services APIs [6]或者Oozie Java client APIs [7]来实现这种编程方式的调用。代码5中展现的就是很简单的Oozie Java客户端的例子，它会触发上面描述的过程。

package com.navteq.assetmgmt.oozie;

import java.util.LinkedList;

import java.util.List;

import java.util.Properties;

import org.apache.oozie.client.OozieClient;

import org.apache.oozie.client.OozieClientException;

import org.apache.oozie.client.WorkflowJob;

import org.apache.oozie.client.WorkflowJob.Status;

public class WorkflowClient {

    private static String OOZIE_URL = "http://sachidn002.hq.navteq.com:11000/oozie/";

    private static String JOB_PATH = "hdfs://sachicn001:8020/user/blublins/workflows/IPSIngestion";

    private static String JOB_Tracker = "sachicn003:2010";

    private static String NAMENode = "hdfs://sachicn001:8020";

    OozieClient wc = null;

    public WorkflowClient(String url){

        wc = new OozieClient(url);

    }

    public String startJob(String wfDefinition, List<WorkflowParameter> wfParameters)

        throws OozieClientException{

        // create a workflow job configuration and set the workflow application path

        Properties conf = wc.createConfiguration();

        conf.setProperty(OozieClient.APP_PATH, wfDefinition);

        // setting workflow parameters

        conf.setProperty("jobTracker", JOB_Tracker);

        conf.setProperty("nameNode", NAMENode);

        if((wfParameters != null) && (wfParameters.size() > 0)){

            for(WorkflowParameter parameter : wfParameters)

                conf.setProperty(parameter.getName(), parameter.getValue());

        }

        // submit and start the workflow job

        return wc.run(conf);

    }

    public Status getJobStatus(String jobID) throws OozieClientException{

        WorkflowJob job = wc.getJobInfo(jobID);

        return job.getStatus();

    }

    public static void main(String[] args) throws OozieClientException, InterruptedException{

        // Create client

        WorkflowClient client = new WorkflowClient(OOZIE_URL);

        // Create parameters

        List<WorkflowParameter> wfParameters = new LinkedList<WorkflowParameter>();

        WorkflowParameter drive = new WorkflowParameter("driveID","729-pp00004-2010-09-01-09-46");

        WorkflowParameter lidar = new WorkflowParameter("lidarChunk","4");

        WorkflowParameter signage = new WorkflowParameter("signageChunk","4");

        wfParameters.add(drive);

        wfParameters.add(lidar);

        wfParameters.add(signage);

        // Start Oozing

        String jobId = client.startJob(JOB_PATH, wfParameters);

        Status status = client.getJobStatus(jobId);

        if(status == Status.RUNNING)

             System.out.println("Workflow job running");

        else

             System.out.println("Problem starting Workflow job");

    }

}

代码5：简单的Oozie Java客户端

在此，我们首先使用Oozie服务器URL对工作流客户端进行初始化。初始化过程完成之后，我们就可以使用客户端提交并启动作业（startJob方法），获得正在运行的作业的状态（getStatus方法），以及进行其他操作。

构建java动作，向工作流传递参数

在之前的示例中，我们已经展示了如何使用标签向Java节点传递参数。由于Java节点是向Oozie引入自定义计算的主要方法，因此能够从Java节点向Oozie传递数据也同样重要。

根据Java节点的文档[3]，我们可以使用“capture-output””元素把Java节点生成的值传递回给Oozie上下文。然后，工作流的其它步骤可以通过EL-functions访问这些值。返回值需要以Java属性格式文件写出来。我们可以通过“JavaMainMapper.OOZIE_JAVA_MAIN_CAPTURE_OUTPUT_FILE”常量从System属性中获得这些属性文件的名称。代码6是一个简单示例，演示了如何完成这项操作。

package com.navteq.oozie;

import java.io.File;

import java.io.FileOutputStream;

import java.io.OutputStream;

import java.util.Calendar;

import java.util.GregorianCalendar;

import java.util.Properties;

public class GenerateLookupDirs {

    /**

    * @param args

    */

    public static final long dayMillis = 1000 * 60 * 60 * 24;

    private static final String OOZIE_ACTION_OUTPUT_PROPERTIES = "oozie.action.output.properties";

    public static void main(String[] args) throws Exception {

        Calendar curDate = new GregorianCalendar();

        int year, month, date;

        String propKey, propVal;

        String oozieProp = System.getProperty(OOZIE_ACTION_OUTPUT_PROPERTIES);

        if (oozieProp != null) {

            File propFile = new File(oozieProp);

            Properties props = new Properties();

            for (int i = 0; I < 8; ++i) {

                year = curDate.get(Calendar.YEAR);

                month = curDate.get(Calendar.MONTH) + 1;

                date = curDate.get(Calendar.DATE);

                propKey = "dir"+i;

                propVal = year + "-" +

                    (month < 10 ? "0" + month : month) + "-" +

                    (date < 10 ? "0" + date : date);

                props.setProperty(propKey, propVal);

                curDate.setTimeInMillis(curDate.getTimeInMillis() - dayMillis);

            }

            OutputStream os = new FileOutputStream(propFile);

            props.store(os, "");

            os.close();

        } else

            throw new RuntimeException(OOZIE_ACTION_OUTPUT_PROPERTIES

             + " System property not defined");

        }

}

代码6：向Oozie传递参数

在这个示例中，我们假设在HDFS中有针对每个日期的目录。这样，这个类首先会获得当前日期，然后再获得离现在最近的7个日期（包括今天），然后把目录名称传递回给Oozie。

结论

在本文我们介绍了Oozie，它是针对Hadoop的工作流引擎，并且提供了使用它的简单示例。在下一篇文章中，我们会看到更复杂的例子，让我们可以更进一步讨论Oozie的特性。

致谢

非常感谢我们在Navteq的同事Gregory Titievsky，他为我们提供了一些例子。

关于作者

Boris Lublinsky是NAVTEQ公司的首席架构师，在这家公司中他的工作是为大型数据管理和处理、SOA以及实现各种NAVTEQ的项目定义架构的愿景。他还是InfoQ的SOA编辑，以及OASIS的SOA RA工作组的参与者。Boris是一位作者，还经常发表演讲，他最新的一本书是《Applied SOA》。

Michael Segel在过去二十多年间一直与客户写作，识别并解决他们的业务问题。 Michael已经作为多种角色、在多个行业中工作过。他是一位独立顾问，总是期望能够解决所有有挑战的问题。Michael拥有俄亥俄州立大学的软件工程学位。

[1]edge节点是安装有Hadoop库的计算机，但不是真正簇集中的一部分。它是为能够连接到簇集中的应用程序所用的，并且会部署辅助服务以及能够直接访问簇集的最终用户应用程序。

[2]请参看Oozie安装的链接。

[3]这些作业的细节和本文无关，所以在其中没有描述。

[4]Map/Reduce作业能够以两种不同的方式在Oozie中实现——第一种是作为真正的Map/Reduce动作[2]，其中你会指定Mapper和Reducer类以及它们的配置信息；第二种是作为Java动作[3]，其中你会使用Hadoop API来指定启动Map/Reduce作业的类。因为我们所有的Java主函数都是使用Hadoop API，并且还实现了一些额外的功能，所以我们选择了第二种方法。

[5] Oozie确保两个动作会并行地提交给作业跟踪程序。在执行过程中实际的并行机制并不在Oozie的控制之内，并且依赖于作业的需求、簇集的能力以及Map/Reduce部署所使用的调度程序。

[6]join动作的功能是要同步fork动作启动的多个并行执行的线程。如果fork启动的所有执行的线程都能够成功完成，那么join动作就会等待它们全部完成。如果有至少一个线程执行失败，kill节点会“杀掉”剩余运行的线程。

[7] 这个节点不需要是安装了Oozie的计算机。

[8] Oozie的作业日志会包含工作流执行的细节，想要查看动作执行的细节，我们需要切换到Hadoop的Map/Reduce管理页面。

查看英文原文：Introduction to Oozie

码农公寓

Oozie简介

什么是Oozie？

看Scala如何颠覆传统金融企业

高可用网贷系统让您投资无忧

微众架构首秀--基于自主可控技术的分布式架构实践

企业级SaaS应用平台--钉钉技术历程之路

安装Oozie

简单示例

配置工作流属性

编程方式的工作流调用

构建java动作，向工作流传递参数

结论

致谢

码农公寓

什么是Oozie？

看Scala如何颠覆传统金融企业

高可用网贷系统让您投资无忧

微众架构首秀--基于自主可控技术的分布式架构实践

企业级SaaS应用平台--钉钉技术历程之路

安装Oozie

简单示例

配置工作流属性

编程方式的工作流调用

构建java动作，向工作流传递参数

结论

致谢

相关文章